Opinion Mining In Hindi Language: A Survey
Banasthali Vidyapith（巴纳斯塔利大学）
意见在人类生活中非常重要。这些意见帮助人类执行决策。随着Web的影响力日益增强，Web文档可以被看作是人类新的意见来源。Web包含了用户通过博客、论坛条目和社交网站等产生的大量信息，为了分析这些大量的信息，需要开发一种方法来自动分类Web上可用的信息。这个领域被称为情感分析和意见挖掘。意见挖掘或情感分析是一项自然语言处理任务，它从评论、新闻和博客等各种文本形式中挖掘信息，并根据其极性将其分类为积极、消极或中性。但是，从过去几年来，在网络上看到了印地语的巨大增长。意见挖掘的研究主要是在英语语言中进行的，但在印地语中进行意见挖掘也是非常重要的，因为印地语中的大量信息也可以在Web上获得。本文简要介绍了印地文的研究工作。
2014-04-19 cs.CL cs.IR
Opinion mining of movie reviews at document level
Banasthali Vidyapith（巴纳斯塔利大学）
整个世界都在迅速变化，使用当前的技术，互联网成为每个人的基本需求。Web应用于各个领域。大多数人使用网络的一个共同的目的，如网上购物，聊天等，在网上购物大量的评论/意见是由用户，反映产品是好还是坏。这些审查需要加以探讨、分析和组织，以便更好地作出决策。意见挖掘是一个自然语言处理任务，它处理的是在一段文本中发现关于某个主题的意见倾向。本文提出了一个基于文档的意见挖掘系统，该系统将文档分为正面、负面和中性三类。在所提出的系统中也处理否定。使用电影评论的实验结果表明了该系统的有效性。
2014-08-17 cs.CL cs.IR
Subjectivity Classification using Machine Learning Techniques for Mining Feature-Opinion Pairs from Web Opinion Sources
Jamia Millia Islamia（贾米亚·米利亚伊斯兰大学）
由于Web 2.0的蓬勃发展，网络意见来源正在迅速涌现，其中包含对客户和制造商都有用的宝贵信息。最近，基于特征的意见挖掘技术正在获得动力，其中客户评论被自动处理，用于挖掘产品特征和用户对它们的意见。然而，客户评论可能包含固执己见和事实的句子。事实内容的提取通过防止噪声和不相关的提取来提高挖掘性能。本文提出了一种结合监督机器学习和基于规则的方法从主观评论句中挖掘可行的特征-意见对的方法。在所提出的方法的第一阶段，监督机器学习技术被应用于分类的主观和客观的句子从客户评论。在下一阶段，实施基于规则的方法，该方法应用文本的语言和语义分析，从第一阶段后保留的主观句子中挖掘可行的特征-意见对。所提出的方法的有效性，建立通过实验对不同的电子产品的客户评论。
2013-12-25 cs.CL cs.IR cs.LG
ARAACOM: ARAbic Algerian Corpus for Opinion Mining
Université de Khenchela（肯切拉大学）；Université de Constantine 2（康斯坦丁第二大学）；Université de Poitiers（普瓦捷大学）
如今，不再需要付出巨大的努力，将大量的表格分发给成千上万的人并收集它们，然后将其转换为电子格式以跟踪人们对某些主题的意见。今天，许多网站可以用更少的努力达到很大的范围。大多数网站建议他们的访问者留下关于他们对网站或事件的感觉的备份。因此，这为我们提供了大量的数据，需要强大的手段来利用。网络中的意见挖掘变得越来越有吸引力的任务，由于个人和社会越来越需要跟踪人们对日常生活中的几个主题（体育，政治，电视等）的情绪。很多观点挖掘的著作都是用西方语言特别是英语写成的，阿拉伯语的著作还很少见。在本文中，我们提出了我们的方法，在阿拉伯语阿尔及利亚报纸的意见挖掘。$\bullet$信息系统~情感分析$\bullet$计算方法学~自然语言处理
2020-01-22 cs.CL cs.IR
The survey of sentiment and opinion mining for behavior analysis of social media
如今，互联网已经把世界变成了一个地球村。社交媒体缩小了人与人之间的差距。以前，沟通是一项耗时且昂贵的任务。社交媒体已经赢得了声誉，因为它是一个更便宜，更快的通信提供商。此外，社交媒体使我们能够减少物理距离的差距，它还产生和保存了大量的数据。这些数据是非常有价值的，它代表了人们和他们的意见之间的关联程度。本文对用户行为预测的各种方法进行了综合分析。这种比较将提供情感和意见挖掘领域的详细信息，优点和缺点。
2015-11-07 cs.IR cs.SI
Framework for Opinion Mining Approach to Augment Education System Performance
Thapar Institute of Engineering and Technology（塔帕尔工程技术学院）
社交网站的广泛扩张和增长使人们能够在互联网上与同龄人自由地分享他们的观点和经验。因此，每天都会产生大量的数据，这些数据可以用于意见挖掘，以提取特定领域的人们的观点。意见挖掘在旅游、政治、教育和娱乐等领域有着广泛的应用，但在教育系统中还没有得到广泛的应用。本文论述了现行考试制度的弊端。在目前的情况下，意见挖掘被广泛用于决策制定。本文作者设计了一个框架，通过应用朴素贝叶斯方法的教育数据集。朴素贝叶斯方法的各个阶段包括三个步骤：将数据转换为频率表，对数据集进行分类，并应用朴素贝叶斯算法方程计算类的概率。最后，概率最高的类别是这个预测的结果。这些预测用于改进教育系统，并帮助提供更好的教育。
2018-06-25 cs.CL cs.IR
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina（南卡罗来纳大学）；Auburn University at Montgomery（奥本大学蒙哥马利分校）
民意调查一直是选举中民意和政客之间的桥梁。然而，开展调查以揭示人们对经济问题的反馈是有限的，昂贵的，耗时的。近年来，Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法，探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测，本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上，以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
From the Token to the Review: A Hierarchical Multimodal approach to Opinion Mining
Télécom ParisTech（巴黎高等电信学院）；Université Paris Saclay（巴黎萨克雷大学）；IBM GBS France（IBM全球商业服务法国公司）
预测细粒度的用户意见的基础上自发的口头语言的任务是一个关键的问题，出现在计算代理的发展，以及在社会网络为基础的意见矿工的发展。不幸的是，收集可靠的数据来训练模型是非常困难的，现有的工作只依赖于粗略标记的意见。在这项工作中，我们的目标是弥合差距分离细粒度的意见模型已经开发的书面语言和粗粒度的模型开发的自发多模态意见挖掘。我们利用意见的隐式层次结构，建立一个联合的细粒度和粗粒度的意见模型，利用不同的意见表达。由此产生的模型与基于注意力的模型共享一些属性，并在最近发布的多模态细粒度注释语料库上显示出具有竞争力的结果。
2019-09-10 cs.AI cs.CL cs.IR
Architecture of Text Mining Application in Analyzing Public Sentiments of West Java Governor Election using Naive Bayes Classification
Amikom Yogyakarta University（阿米孔日惹大学）；Gunadarma University（古纳达玛大学）
西爪哇省省长的选举是一个吸引公众注意力的事件，社交媒体用户也不例外。公众对未来地区领导人的看法有助于预测选民的可当选性和倾向。意见挖掘过程可以使用的数据可以从Twitter获得。由于数据是非常多样的形式和非常非结构化的，它必须使用数据预处理技术进行管理和不知情的半结构化数据。这种半结构化的信息之后是分类阶段，将意见分类为消极或积极的意见。研究方法论采用文献研究，研究将检查以前对类似主题的研究。本研究的目的是要找出适当的架构，将其发展成twitter意见探勘的应用，以了解西爪哇省省长选举的民意。本文的研究结果表明，Twitter意见挖掘是文本挖掘的一部分，Twitter中的意见要想被分类，首先要经过文本预处理阶段。twitter数据所需的预处理步骤是清理，大小写折叠，POS标记和词干分析。由此产生的文本挖掘架构是一个架构，可用于不同主题的文本挖掘研究。
2018-09-20 cs.CL cs.CY cs.IR
Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining
Posts and Telecommunications Institute of Technology（越南邮电技术学院）
基于方面的观点挖掘是在观点文本的方面层次上识别情感的任务，它包括两个子任务：方面类别提取和情感极性分类。虽然方面类别提取的目的是检测和分类的意见目标，如产品特征，情感极性分类分配一个情感标签，即积极的，消极的，或中性的，每个识别的方面。监督学习方法已被证明可以为这项任务提供更好的准确性，但它们需要标记的数据，这是昂贵的，特别是对于资源贫乏的语言，如越南语。为了解决这个问题，我们提出了一个监督方面为基础的意见挖掘方法，利用标记的数据从外语（英语在这种情况下），这是翻译成越南语的自动翻译工具（谷歌翻译）。由于不同语言中的方面和观点可能由不同的词来表达，因此我们提出使用词嵌入以及其他特征来减少原文和译文之间的词汇差异，从而提高方面类别提取和情感极性分类过程的有效性。我们还介绍了一个注释语料库的方面类别和情感极性提取的餐馆评论在越南，并进行了一系列的实验语料库。实验结果证明了该方法的有效性。
2020-03-15 cs.AI cs.CL cs.IR
Mining of product reviews at aspect level
Banasthali Vidyapith（伯纳斯达利大学）
今天的世界是一个互联网的世界，几乎所有的工作都可以在它的帮助下完成，从简单的手机充值到最大的商业交易都可以在这种技术的帮助下完成。人们花了他们的大部分时间在网上冲浪，它成为一个新的来源，娱乐，教育，通信，购物等用户不仅使用这些网站，但也给他们的反馈和建议，这将是有用的其他用户。通过这种方式，大量的用户评论被收集在网络上，需要进行探索，分析和组织，以更好地做出决策。意见挖掘或情感分析是一种自然语言处理和信息抽取任务，它识别以积极、消极或中立的评论和引用的形式解释的用户观点或意见。基于方面的意见挖掘是意见挖掘的一个层次，它确定给定评论的方面并为每个特征对评论进行分类。本文提出了一个基于方面的意见挖掘系统，分类为积极的，消极的和中立的每一个功能的评论。在所提出的系统中也处理否定。使用产品评论的实验结果表明了该系统的有效性。
2014-06-14 cs.CL cs.IR
Sentiment Analysis: A Survey
University at Buffalo（布法罗大学）
情感分析（也称为意见挖掘）是指利用自然语言处理、文本分析和计算语言学等方法，识别和提取源材料中的主观信息。挖掘用户生成内容中表达的意见是一个具有挑战性但实际上非常有用的问题。本调查将涵盖一般情感分析和意见挖掘中使用的各种方法和方法。重点将是互联网文本一样，产品评论，推文和其他社会媒体。
2014-05-11 cs.CL cs.IR
Twitter Opinion Topic Model: Extracting Product Opinions from Tweets by Leveraging Hashtags and Sentiment Lexicon
ANU & NICTA（澳大利亚国立大学与NICTA）；Monash University（莫纳什大学）
基于属性的意见挖掘被广泛应用于对数据进行汇总或归纳，目前的最新研究成果是基于潜在狄利克雷分配（LDA）模型。虽然像tweet这样的社交媒体数据充满了意见，但它们的“肮脏”性质（作为自然语言）阻碍了研究人员将基于LDA的意见模型应用于产品评论挖掘。推文通常是非正式的，非结构化的，缺乏分类和评级等标记数据，这使得产品意见挖掘具有挑战性。在本文中，我们提出了一个基于LDA的意见模型命名为Twitter的意见主题模型（TOTM）的意见挖掘和情感分析。TOTM在其发现过程中利用了推文中存在的主题标签、提及、表情符号和强烈情感词。它通过直接对目标-意见交互进行建模来改进意见预测，从而发现目标特定的意见词，这在现有方法中被忽略了。此外，我们提出了一个新的配方，将情感先验信息的主题模型，利用现有的公众情绪词典。这是新颖的，因为它可以学习和更新数据。我们进行了实验，900万电子产品的推文，并证明了改进的性能TOTM在定量评价和定性分析。我们表明，基于方面的意见分析大量的推文提供了有用的意见，产品。
2016-09-21 cs.CL cs.IR cs.LG
Analysis of opinionated text for opinion mining
Government Engineering College, Hassan（哈桑政府工程学院）
在情感分析中，确定对对象/特征表达的意见的极性，以评估句子或文档的情感是积极的/消极的/中性的。自然地，对象/特征是名词表示，其指的是产品或产品的组件，让我们说，相机中的“镜头”和在其上发出的意见被捕获在形容词、动词、副词和名词词本身中。除了这些词，其他元信息和各种有效特征也将在影响情感极性方面发挥重要作用，并对系统的性能做出显着贡献。在本文中，一些相关的信息/元数据的情感文本进行了探索和研究。基于这里提出的分析结果，有进一步的评估和利用的元信息的文本分类，排名文本文件，识别垃圾邮件的文件和极性分类问题的功能的范围。
2016-07-14 cs.AI cs.CL cs.IR
Opinion mining using Double Channel CNN for Recommender System
Kharazmi University（卡拉兹米大学）；Islamic Azad University（伊斯兰阿扎德大学）
提出融合双通道 CNN 观点挖掘、SMOTE 平衡、方面聚类与张量分解加权的推荐方法，情感分析准确率达 91.6%。
2023-07-15 cs.CL cs.IR
Argumentation Mining: Exploiting Multiple Sources and Background Knowledge
论证挖掘领域的出现是因为需要从表达的意见中确定潜在的原因，以及迫切需要发展意见挖掘和情感分析的既定领域。人工智能领域的最新进展与社交网络上的可用数据相结合，为包括论证挖掘在内的自然语言处理的每个子领域创造了巨大的潜力。
2018-09-18 cs.IR cs.SI
Mining Worse and Better Opinions. Unsupervised and Agnostic Aggregation of Online Reviews
Institute of Informatics and Telematics (IIT-CNR)（信息学与远程通信研究所 (IIT-CNR)）；LUCENSE SCaRL
在本文中，我们提出了一种新的方法来聚合在线评论，根据他们表达的意见。我们的方法是无监督的-因为它不依赖于预先标记的评论-而且它是不可知的-因为它不对评论内容的领域或语言做出任何假设。我们衡量的坚持审查内容的领域术语提取的审查集。首先，我们展示了与评论相关的分数的遵守度量的信息性。然后，我们利用这些度量值进行分组评论，根据他们表达的意见。我们的实验活动是在分别从Booking和Amazon收集的两个大型数据集上进行的。
2017-04-18 cs.CL cs.IR cs.SI
A Machine Learning Approach For Opinion Holder Extraction In Arabic Language
Cairo University（开罗大学）；Faculty of Computers and Information, Cairo University（开罗大学计算机与信息学院）
意见挖掘旨在从大量可靠的文本中提取有用的主观信息。意见挖掘持有者识别是阿拉伯语中尚未考虑的任务。这个任务本质上需要对从句结构有深刻的理解。不幸的是，缺乏一个强大的，公开的，阿拉伯语解析器进一步复杂化的研究。本文提出了一个领先的研究阿拉伯语新闻独立于任何词法分析器的意见持有人提取。我们研究构建一个全面的功能集，以弥补缺乏解析结构的结果。建议的功能集是从英语以前的作品，再加上我们提出的语义场和命名实体功能调整。我们的特征分析是基于条件随机场（CRF）和半监督模式识别技术。不同的研究模型进行了评估，通过交叉验证实验达到54.03 F-措施。我们公开发布我们自己的研究成果语料库和词汇的意见挖掘社区，以鼓励进一步的研究。
2012-04-06 cs.IR cs.LG
Mining User Opinions in Mobile App Reviews: A Keyword-based Approach
Utah State University（犹他州立大学）
移动应用程序的用户评论通常包含投诉或建议，这些投诉或建议对于应用程序开发人员改善用户体验和满意度很有价值。然而，由于这些评论的大量和嘈杂的性质，手动分析它们以获得有用的意见本质上是具有挑战性的。为了解决这个问题，我们提出了MARK，一个基于关键字的半自动化评论分析框架。MARK允许分析师通过一组关键字描述他对一个或一些移动应用程序的兴趣。然后，它会找到并列出与这些关键字最相关的评论，以供进一步分析。它还可以绘制这些关键字随时间推移的趋势，并检测它们的突然变化，这可能表明发生了严重的问题。为了帮助分析师更有效地描述他们的兴趣，MARK可以自动从原始评论中提取关键字，并根据与负面评论的关联对其进行排名。此外，基于关键字的基于向量的语义表示，MARK可以将大量关键字划分为更具凝聚力的子集，或者建议与所选关键字相似的关键字。
2015-10-26 cs.CL cs.IR
Roman Urdu Opinion Mining System (RUOMiS)
University of Agriculture, Peshawar（白沙瓦农业大学）；CUSIT（城市科学信息技术大学）
说服客户总是被认为是一项具有挑战性的任务，在每一个企业.但当涉及到在线业务时，这项任务变得更加困难。在线零售商尽一切可能获得客户的信任。解决方案之一是为现有用户提供一个区域来留下他们的评论。这项服务可以有效地建立客户的信任，但通常客户使用罗马字母用他们的母语评论产品。如果有数百条评论，即使是本地客户也很难做出购买决定。本研究提出了一个系统，提取罗马乌尔都语发布的评论，翻译他们，找到他们的极性，然后给我们的产品的评级。这个评级将帮助本地和非本地客户从罗马乌尔都语发布的评论中有效地做出购买决定。
2015-01-07 cs.CL cs.IR
Opinion mining from twitter data using evolutionary multinomial mixture models
实体的图像可以被定义为可以从一组用户或群体的意见中提取的结构化和动态表示。这种图像的自动提取在政治学和社会学相关研究中具有一定的重要性，例如，当需要对大规模数据进行扩展查询时。我们研究了法国两个具有重要政治意义的实体的形象。这些图像是通过分析从知名社交媒体Twitter收集的意见而构建的。我们的目标是建立一个系统，可以用来自动提取实体的图像随着时间的推移。本文提出了一种基于多项混合模型间参数联系的进化聚类方法。首先，我们提出了一个广义模型，建立参数之间的联系多项式分布的制定。之后，我们遵循基于模型的聚类方法来探索不同的参数子模型，并选择最佳模型。对于实验，首先，我们使用合成的时间数据。接下来，我们应用该方法来分析注释的社交媒体数据。结果表明，该方法是优于国家的最先进的基础上的共同评价指标。此外，我们的方法可以提供解释的时间演化的集群。
2015-09-24 cs.IR stat.ML
Mining Software Quality from Software Reviews: Research Trends and Open Issues
软件评论文本片段具有关于用户体验的相当有价值的信息。它包括一组巨大的属性，包括软件质量。意见挖掘或情感分析涉及分析文本用户判断。将情感分析应用于软件评审，可以找到一个代表软件质量的量化值。虽然许多软件质量方法被提出，但它们被认为是难以定制的，并且其中许多方法是有限的。本文探讨了意见挖掘作为一种方法来提取软件质量属性的应用。我们发现使用情感分析挖掘软件评论的主要问题是由于软件生命周期和不同的用户和团队。
2016-02-05 cs.CL cs.IR
Aspect Based Sentiment Analysis to Extract Meticulous Opinion Value
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆技术学院）
意见挖掘和情感分析是在大量非结构化/结构化数据中识别意见并分析这些意见的极性的过程。意见挖掘和情感分析在分析在线评级、分析基于产品的评论、电子政务和管理互联网上的敌对内容方面有着广泛的应用。本文提出了一种实现方面级情感分析的算法。该算法从学生的各个老师提交的评论中获取输入。形成了一个方面树，它有各种级别和权重分配给每个分支，以确定方面的水平。该算法通过提出的方面树计算方面值。实现了基于字典的方法来评估评论的极性。该算法返回的方面价值棍棒与意见价值和情感价值，这有助于总结的评论的总结价值。
2014-05-29 cs.CL cs.IR
COVID-19 Public Opinion and Emotion Monitoring System Based on Time Series Thermal New Word Mining
School of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）；School of Computer Science and Cyberspace Security, Hainan University（海南大学计算机与网络空间安全学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）；Department of Mathematics and Computer Science, Northeastern State University（东北州立大学数学与计算机科学系）
随着新型疫情的传播和发展，识别疫情在公众情绪中的变化趋势，具有重要的参考价值。我们设计并实现了基于时间序列热度新词挖掘的新冠疫情舆情监测系统。提出了一种新的基于网络话题时间爆炸的词结构发现方案和一种适用于COVID-19舆情环境的中文情感分析方法。建立“Scrapy-Redis-Bloomfilter”分布式爬虫框架进行数据采集。该系统可以根据评论判断评论者的积极和消极情绪，还可以反映出希望，快乐和沮丧等七种情绪的深度。最后，我们改进了该系统的情感判别模型，并将COVID-19相关评论的情感判别误差与嘉谷深度学习模型进行了比较。结果表明，该模型具有较好的泛化能力和较小的判别误差。我们设计了一个大数据可视化屏幕，可以清晰地显示公众情绪的变化趋势，各种情绪类别的占比，关键词，热门话题等，充分直观地反映民意的发展。
2020-05-23 cs.CL cs.IR cs.SI
Sentiment Analysis On Indian Indigenous Languages: A Review On Multilingual Opinion Mining
Dublin Business School（都柏林商学院）
智能手机使用的增加已经影响到互联网和社交媒体平台的使用。最常用的社交媒体平台是Twitter，Facebook，WhatsApp和Instagram。人们在网上分享他们的个人经历，评论，反馈。网络上的信息是非结构化的和巨大的。因此，在理解网络上可用数据的情绪方面有很大的研究范围。情感分析（SA）可以在网络上的评论、反馈、讨论上进行。已经有广泛的研究进行了SA在英语语言，但在网络上的数据也包含不同的其他语言，应加以分析。本文旨在分析，回顾和讨论的方法，算法，研究人员所面临的挑战，而开展的土著语言的SA。
2019-11-28 cs.CL cs.IR cs.LG
Opinion Mining for Relating Subjective Expressions and Annual Earnings in US Financial Statements
Academia Sinica（中央研究院）；National Chengchi University（国立政治大学）；Yuan-Ze University（元智大学）
财务报表包含了企业财务状况的量化信息和管理者的主观评价。使用美国10-K文件中发布的信息。定性和定量评估对于高质量的财务决策至关重要。为了从报告中提取这些意见陈述，我们建立了基于条件随机场（CRF）技术的标记模型，考虑了各种语言因素的组合，包括词法，正字法，谓词-论元结构，句法和简单语义。我们的研究结果表明，CRF模型是合理有效的发现意见持有者在实验中，我们采用流行的MPQA语料库进行训练和测试。我们论文的贡献是识别多词表达（MWE）形式而不是单个词形式的观点模式。我们发现，公司管理者试图使用更乐观的词汇来模糊负面的财务业绩，并强调积极的财务业绩。我们的研究结果还表明，在报告年度，收益减少往往伴随着模糊和温和的陈述，而收益增加则以自信和积极的方式陈述。
2012-10-15 cs.AI cs.CL cs.IR
Polarity detection movie reviews in hindi language
Banasthali Vidyapith（巴纳斯塔利大学）
现在人们积极参与在社交网站和其他网站上发表评论和评论，如购物网站，新闻网站等。大量的人每天在网络上分享他们的意见，结果是收集了大量的用户数据。用户也发现阅读所有评论然后做出决定是一项微不足道的任务。如果这些评论被分类到某个类别中，那么用户会发现更容易阅读。意见挖掘或情感分析是一项自然语言处理任务，从各种文本形式（如评论，新闻和博客）中挖掘信息，并根据其极性将其分类为积极，消极或中性。但是，从过去几年来，印地语的用户内容也在网络上迅速增加。因此，在印地语中进行意见挖掘也非常重要。本文提出了一个印地语意见挖掘系统。该系统将评论分类为印地语的正面、负面和中性。在所提出的系统中也处理否定。使用电影评论的实验结果表明了该系统的有效性
2014-09-13 cs.CL cs.IR
Sentiment Analysis on Customer Responses
University of Southern California（南加州大学）；Caltech（加州理工学院）
情感分析是计算机科学中发展最快的研究领域之一，这使得跟踪该领域中的所有活动变得具有挑战性。我们提出了一个客户对产品的反馈评论，我们利用意见挖掘，文本挖掘和情感，这已经影响了周围的世界，改变了他们对特定产品的看法。本研究中使用的数据是从Amazon.com收集的在线产品评论。我们对检索到的评论进行了比较情感分析。这篇研究论文为您提供了对智能手机的各种智能手机意见的情感分析，将其分为积极，消极和中性行为。
2020-07-05 cs.CL cs.IR cs.LG
Weakly Supervised Attention Networks for Fine-Grained Opinion Mining and Public Health
Columbia University（哥伦比亚大学）
在许多评论分类应用中，评论的细粒度分析是期望的，因为不同的段（例如，审查的重点可以是所涉实体的不同方面。然而，训练用于片段级分类的监督模型需要片段标签，这可能比查看标签更难或更昂贵。在本文中，我们采用多实例学习（MIL），并且仅使用弱监督，每次评论都使用单个标签。首先，我们表明，当使用不适当的MIL聚合功能，然后基于MIL的网络优于简单的基线。其次，我们提出了一个新的聚合函数的基础上的sigmoid注意力机制，并表明我们提出的模型优于最先进的模型段级的情感分类（高达9.8%，在F1）。最后，我们强调了细粒度预测在一个重要的公共卫生应用中的重要性：寻找食源性疾病的可操作报告。我们表明，与以前的模型相比，我们的模型实现了48.6%的高召回率，从而增加了识别以前未知的食源性疫情的机会。
2019-09-30 cs.CL cs.IR cs.LG
A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息技术学院）
推荐系统允许用户识别社区中的热门项目，同时及时且与用户的期望相关。当各种推荐系统的目的不同时，每个用例所需的推荐类型也不同。虽然一个推荐系统可以专注于推荐流行的项目，但是另一个推荐系统可以专注于推荐与用户的兴趣相当的项目。基于内容的过滤，用户到用户和项目到项目的协同过滤，以及最近的深度学习方法已经被研究人员提出来实现更好的质量推荐。尽管这些方法中的每一种都被证明单独执行得很好，但已经有人试图突破它们的局限性。在广泛的方法之后，研究人员试图扩展标准推荐系统的功能，以向用户提供最有效的推荐，同时从企业的角度来看更有利可图。这是通过在为推荐系统构建模型和架构时采用混合方法实现的。本文综述了混合推荐系统的新模型和体系结构。作者确定了扩展基线模型功能的可能性，以及每个模型的优点和缺点，并在本文中选择了用例。
2022-05-03 cs.AI cs.IR cs.SI
A Case Study and Qualitative Analysis of Simple Cross-Lingual Opinion Mining
Technical University of Munich（慕尼黑工业大学）
该研究提出一种基于预训练深度神经网络的简单跨语言意见挖掘方法，通过单一主题模型和情感分析覆盖多语言，在有机食品领域验证了主题匹配、稳定性及可解释性，为市场营销提供跨区域客户兴趣分析工具。
2023-07-24 cs.CL cs.IR
Sentiment Analysis on YouTube: A Brief Survey
情感分析或意见挖掘是与分析用户在社交媒体和其他在线资源上表达的意见、情感、评价、态度和情绪相关的研究领域。社交媒体网站的革命也吸引了视频分享网站的用户，如YouTube。在线用户在他们在这些网站上观看的视频上表达他们的意见或情感。本文提出了一个简短的调查技术，分析用户发布的意见，一个特定的视频。
2015-11-30 cs.IR cs.SI
Decision Support for e-Governance: A Text Mining Approach
信息和通信技术有能力改进政府让公民参与制定公共政策和公共项目的进程。尽管许多政府法规现在可能是数字形式的（并且通常可以在线获得），但由于其复杂性和多样性，识别与特定背景相关的法规是一项重要的任务。同样，随着一些电子在线论坛、社交网站和博客的出现，收集公民请愿和利益攸关方对政府政策和建议的意见的机会大大增加，但分析非结构化数据的数量和复杂性使这一点变得困难。另一方面，文本挖掘已经从简单的关键字搜索走过了漫长的道路，并成熟为能够处理更复杂任务的学科。在本文中，我们将讨论如何文本挖掘技术可以帮助检索的信息和关系，从文本数据源，从而帮助政策制定者在发现政策和公民的意见之间的关联，在电子公共论坛和博客等，我们还提出了在这里，一个集成的文本挖掘为基础的架构，电子政务决策支持随着讨论印度的情况。
2011-08-31 cs.DB cs.IR
Performance Investigation of Feature Selection Methods
Indian Institute of Management（印度管理学院）
随着互联网和Web 2.0社交媒体的普及，情感分析或意见挖掘已经成为一个开放的研究领域。人们在包括博客、论坛、推文等的社交媒体上表达他们的态度和观点，并且情感分析关注从在线文本中检测和提取情感或观点。基于情感的文本分类不同于主题文本分类，因为它涉及基于对主题表达的观点的歧视。特征选择对于情感分析具有重要意义，因为主观文本可能具有较高的维度，这会对情感分析分类器的性能产生不利影响。本文探讨了特征选择方法在情感分析中的适用性，并从查全率、查准率和准确率三个方面研究了它们在分类中的性能。基于2000篇电影评论语料，研究了五种特征选择方法（文档频率、信息增益、增益比、卡方和Relief-F）和三种流行的情感特征词典（HM、GI和Opinion Lexicon）。实验结果表明，信息增益给出了一致的结果，增益比表现出整体最好的情感特征选择，而情感词典的性能较差。此外，我们发现分类器的性能取决于从文本中选择适当数量的代表性特征。
2013-09-16 cs.CL cs.IR cs.LG
Incremental Active Opinion Learning Over a Stream of Opinionated Documents
Swedish Institute of Computer Science (SICS Swedish ICT)（瑞典计算机科学研究所（SICS瑞典信息与通信技术研究院））；Ludwig-Maximilians University（路德维希-马克西米利安大学）；Otto-von-Guericke University（奥托·冯·格里克大学）
从自认为的文档（如tweets或产品评论）中学习的应用程序面临两个挑战。首先，固执己见的文件构成了一个不断发展的流，其中作者的态度和词汇本身可能会发生变化。其次，文档的标签是稀缺的，单词的标签是不可靠的，因为一个词的情感取决于作者心中的（未知的）上下文。大多数关于在固执己见的流上进行挖掘的研究都集中在问题的第一个方面，而对于第二个方面，则假设流中的标签持续供应。这样的假设是乌托邦式的，因为流是无限的，标签成本是禁止的。为此，我们研究了主动流学习算法的潜力，要求标签的需求。我们提出的ACOSTREAM 1方法只适用于有限的标签：它使用标记文档的初始种子，偶尔会向人类专家请求文档的额外标签，并在利用可用标记文档的同时逐渐适应底层流。在其核心，ACOSTREAM由一个MNB分类器加上“采样”策略，为新的未标记的文档请求类标签。在实验中，我们通过改变以下参数来评估分类器随时间的性能：（a）固执己见流的类分布，同时假设词汇表中的单词集是固定的，但它们的极性可能会随着类分布而变化;以及（b）每个时刻到达的未知单词的数量，而类极性也可能会变化。我们的研究结果表明，主动学习流的意见，文件，提供了良好的性能，而需要一个小的选择标签
2015-09-03 cs.CL cs.IR cs.LG
Approaches for Sentiment Analysis on Twitter: A State-of-Art study
National Institute of Technology, Surat（苏拉特国立理工学院）
微博是一个非常普遍的广播媒体之间的互联网兄弟这些天。人们分享他们对产品、新闻、机构等各种主题的看法和感受，每天都在微博网站上情感分析在预测系统、意见挖掘系统等中起着关键作用。微博平台之一的Twitter允许其用户的字符数限制为140个。这种限制促使用户非常简洁地表达自己的观点，并在twitter上发表大量的观点供分析。Twitter还提供了开发者友好的流API用于数据检索目的，允许分析师搜索来自不同用户的实时的tweet。在本文中，我们讨论了国家的艺术作品，集中在Twitter上，在线社交网络平台，情感分析。我们调查了各种词汇，机器学习和混合方法的情感分析在Twitter上。
2015-12-03 cs.CL cs.IR cs.SI
Using Self-Organizing Maps for Sentiment Analysis
Indian Institute of Management Indore（印多尔印度管理学院）
Web 2.0服务使人们能够以用户生成内容的形式表达他们的意见，体验和感受。情感分析或意见挖掘涉及根据其积极或消极的极性识别，分类和汇总意见。本文研究了不同的自组织映射（SOM）的实现基于情感的可视化和分类的在线评论的有效性。具体来说，本文实现了SOM算法的监督和无监督学习从文本文件。无监督SOM算法实现基于情感的可视化和分类任务。对于监督式情感分析，使用称为学习向量量化的竞争性学习算法。这两种算法还比较了各自的多通道实现，其中快速粗排序通过之后是一个微调通过。在在线电影评论数据集上的实验结果表明，SOM非常适合于基于情感的分类和情感极性可视化。
2013-09-16 cs.CL cs.IR cs.NE
Lexical Based Semantic Orientation of Online Customer Reviews and Blogs
Institute of Computing and Information Technology, Gomal University（戈马尔大学计算与信息技术学院）
互联网用户的快速增长以及在线评论网站和社交媒体的日益强大，催生了情感分析或意见挖掘，旨在确定其他人的想法和评论。情绪或意见包含关于产品、服务、政策和政治的公共生成内容。人们通常有兴趣寻求包含喜欢和不喜欢的积极和消极的意见，由用户共享特定产品或服务的功能。针对评论和博客等不同类型的数据，提出了基于词汇的领域无关情感分类方法。所提出的方法是基于一般的词汇，即WordNet，SentiWordNet和用户定义的词汇词典的语义方向。这些字典的关系和注释为域可移植性问题提供了解决方案。该方法比基于词和文本级语料库的机器学习方法更好地进行语义定向。实验结果表明，该方法在文本和句子两个层次上对在线评论的准确率分别达到87%和83%。
2016-07-08 cs.CL cs.IR
Determining sentiment in citation text and analyzing its impact on the proposed ranking index
Jadavpur University（贾达普大学）；University of Maryland, College Park（马里兰大学帕克分校）
每当人类相互交流时，他们都会交换或表达意见，情感和情绪。这些意见可以通过文字、语音或图像来表达。对这些情绪的分析是当今研究者的热门研究领域之一。情感分析，也称为意见挖掘，试图将这些情感或意见识别或分类为两大类-积极和消极。近年来，科学界对分析各种社交媒体平台上可用的文本数据中的情感非常感兴趣。在社交媒体对话、博客文章、报纸文章和各种叙事文本方面做了大量工作。然而，当涉及到从科学论文中识别情绪时，由于观点的隐含和隐藏性质，研究人员面临着一些困难。默认情况下，引用实例在情感上被认为是内在积极的。流行的排名和索引范式往往忽视了引用时的意见。在本文中，我们试图实现三个目标。首先，我们尝试识别引文文本中的主要情绪，并为实例分配一个分数。为此，我们使用了统计分类器。其次，我们提出了一个新的指数（我们将称之为M指数），它考虑到定量和定性因素，同时评分的文件。第三，我们开发了一个基于M指数的研究论文排名。我们还试图解释M指数如何影响科学论文的排名。
2017-07-05 cs.CL cs.DL cs.IR
What About Emotions? Guiding Fine-Grained Emotion Extraction from Mobile App Reviews
针对应用评论细粒度情感分类研究不足的问题，本文适配Plutchik情感分类体系构建标注框架与数据集，评估LLM自动化标注可行性，为需求工程中的意见挖掘提供了结构化资源与自动化见解。
2025-07-01 cs.IR cs.SE
Machine Learning Algorithms for Depression Detection and Their Comparison
Central University of Kashmir（克什米尔中央大学）；IIT Patna（印度理工学院巴特那分校）；University of Kashmir（克什米尔大学）
文本情商在社交媒体平台上利用人类情感方面发挥着无处不在的重要作用。社交媒体平台拥有情感内容的特权，并被用于各种目的，如意见挖掘，情感挖掘和情感分析。这一数据分析也有助于预防社交媒体用户的在线欺凌、自杀预防和抑郁症检测。在这篇文章中，我们设计了一个自动抑郁检测在线社交媒体用户通过分析他们的社交媒体行为。所设计的抑郁症检测分类可以有效地用于挖掘用户的社交媒体交互，并且可以确定社交媒体用户是否患有抑郁症。底层分类器使用情感人工智能中最先进的技术制成，包括LSTM（长短期记忆）和其他机器学习分类器。分类器的最高准确率约为LSTM的70%，而SVM的最高准确率为81.79%。我们在文献中广泛用于情感挖掘任务的数据集上训练分类器。最后给出了结果的混淆矩阵。
2023-01-09 cs.AI cs.CL cs.IR
Modeling Online Reviews with Multi-grain Topic Models
在本文中，我们提出了一种新的框架，用于提取对象的可评级方面的在线用户评论。提取这些方面是从网络中自动挖掘产品意见和生成基于意见的用户评论摘要的重要挑战。我们的模型是基于扩展的标准主题建模方法，如LDA和PLSA诱导多粒度的主题。我们认为多粒度模型更适合我们的任务，因为标准模型倾向于产生与对象的全局属性相对应的主题（例如，产品类型的品牌）而不是倾向于由用户评定的对象的方面。我们提出的模型不仅提取了可评价的方面，而且还将它们聚类为连贯的主题，例如，“waitress”和“bartender”是餐馆“staff”同一主题的一部分。这与以前的许多工作不同，以前的工作通过词频分析以最小聚类提取方面。我们从定性和定量两个方面对多粒度模型进行了评估，以表明它们在标准主题模型上有显着改进。
2008-01-07 cs.DB cs.IR
Multi-label Classification of User Reactions in Online News
Pontifícia Universidade Católica do Paraná (PUCPR)（巴拉那州天主教大学（PUCPR））；Universidade Estadual de Ponta Grossa (UEPG)（蓬塔格罗萨州立大学（UEPG））
随着互联网用户数量的增加和Web 2.0带来的强交互性，意见挖掘成为自然语言处理领域的一个重要课题。虽然有几种方法能够执行此任务，但很少使用多标签分类，其中每个示例都有一组真正的标签。这种分类对于从读者的角度分析观点的情况很有用，这是因为每个人对同一主题都有不同的解释和观点。针对新闻文本中反应的多标签分类问题，讨论了问题转换方法与不同分类算法相结合的有效性。要做到这一点，广泛的测试进行了两个新闻语料库写在巴西葡萄牙语注释的反应。提出了一个新的语料库BFRC-PT。在执行的测试中，使用分类器链方法结合随机森林算法获得了最高数量的正确预测。当考虑类别分布时，使用二进制相关性方法结合LSTM和随机森林算法获得了最佳结果。
2018-11-27 cs.IR cs.LG stat.ML
